Cours

Author

Grasland C.

Linking to GEOS 3.11.0, GDAL 3.5.3, PROJ 9.1.0; sf_use_s2() is TRUE

Introduction

DONNEES

Migrations dure de vie

Nous proposons dans ce chapitre une analyse des migrations durée de vie c’est-à-dire des différences entre le lieu de naissance et le lieu de résidence déclarés au moment du recensement. Il s’agit évidemment d’une mesure assez grossière puisqu’elle conduit à ignorer toutes les étapes suivies par le migrant au cours de sa vie et dépend étroitement de l’âge de l’individu. La mesure peut de plus s’avérer trompeuse puisqu’une personne née en un lieu A peut avoir vécu dans les lieux B, C, D avant de revenir en A au moment du recensement qui concluera à l’absence de mobilité…

Exemple théorique de parcours migratoire

Dans l’exemple théorique présenté ci-dessus, l’individu concerné qui est né dans la commune de Malanville (département Alibori) sera réputé avoir effectué une migration durée de vie lors des recensements de 1979 où il est recensé à Parakou (département de Borgou), en 1992 où il est recensé à Abomey-Calavi (département Atlantique) et en 2002 où iest recensé à Grand-Popo (département du Mono). En revanche il ne sera pas considéré comme migrant en 2013 puisqu’il réside à nouveau dans la commune et le département de son lieu de naissance.

IPUMS international

Le site IPUMS permet d’analyser en détail la disponibilité des variables utiles à l’analyse ainsi que leurs éventuels changements au cours du temps. Il est donc recommandé d’utiliser les métadonnées nombreuses offertes par IPUMS avant de se lancer dans ses propres analyses

Département de naissance (BPLBJ1)

La page de description de la variable BPLBJ1 nous fournit d’abord une description de sa disponibilité et des effectifs correspondant à chacune des dates de recensement.

Disponibilité de la variable département de naissance

Comme on peut le voir dans l’image ci-dessous, il n’y a pas de difficultés particulières concernant les mouvements internes au pays mais il y a une absence d’information sur les personnes nées à l’étranger lors des recensements de 1979 et 1992. Ils sont rangés à cette date dans la catégorie inconnue dont on voit en 2002 qu’elle ne concerne pas forcément les étrangers.

Les onglets suivants précisent la définition de la variable en anglais (BPLBJ1 indicates the person’s department of birth within Benin.) et indiquent le degré de comparabilité entre les dates (There have not been any changes in boundaries for all sample years in BPLBJ1 and is comparable across all available sample years.). Ils fournissent ensuite un document précisant les questions exactes qui ont été posées dans le questionnaire de recnsement et les instructions données aux agents recenseurs.

Questionnaire de la variable département de naissance au RP 1979 Mieux encore, on peut accéder à un fac similé du document papier de recensemet qui a permis d’établir les statistiques de lieu de résidence (en vert), de lieu de naissance (en rouge) et de lieu de résidence antérieure (en bleu)

Formulaire ménage du RP1979 au Bénin - Recto Formulaire ménage du RP 1979 au Bénin - Verso

Commune de naissance (BPLBJ2)

Cette variable permet une localisation plus précise des lieux de naissance mais elle comporte un certain degré d’incertitude puisque pour certains individus on ne connaît que le département de naissance mais pas la commune à l’intérieur de ceux-ci. Ces cas de localisation du leiu de naissance uniquement au niveau du département ne se présentent qu’en 2002 et 2013 et concernent un effectif limité. Dans le cas des recensements de 1979 et 1992, ils sont comptabilisés dans la catégorie “Inconnu” dont nous avons vu précédemment qu’elle concernait aussi les personnes nées à l’étranger.

Questionnaire de la variable département de naissance au RP 1979

Au final, et dans la perspective comparative que nous suivons, il semble préférable de travailler sur un échantillon limité aux individus dont on connait la commune de naissance en éliminant ceux qui sont nés à l’étranger.

Choix des indicateurs

Nous avons procédé à une extraction des données IPUMS International pour trois pays à trois dates de recensement :

  • Bénin, RP 2013
  • Burkina Faso, RP 2006
  • Mali, RP 2009

Afin de préserver la confidentialité des données, nous avons agrégé le tableau initial des individus (échantillon de 10%) por obtenir les effectifs de personnes ayant migré d’un département à un autre ou d’une région à une autre. Mais nous avons conservé la possibilité d’analyser séparément des sous populations :

  • Hommes
  • Femmes
  • 0-14 ans
  • 15-29 ans
  • 30-44 ans
  • 45-59 ans
  • 60-74 ans
  • 75 ans et +

Le fichier de données se présente donc comme suit :

Extrait du fichier de données
Pays YEAR GEO_RESIDENCE_Niv2 GEO_NAISSANCE_Niv2 GEO_RESIDENCE_Niv1 GEO_NAISSANCE_Niv1 POP_Total_IPUMS SEXE_Hom_IPUMS SEXE_Fem_IPUMS AGE_0014_IPUMS AGE_1529_IPUMS AGE_3044_IPUMS AGE_4559_IPUMS AGE_6074_IPUMS AGE_75pl_IPUMS
3 Benin 2013 Banikorara Banikorara Alibori Alibori 238460 119100 119360 126210 61140 30750 11300 6310 2750
4 Benin 2013 Banikorara Gogounou Alibori Alibori 280 80 200 100 110 60 0 10 0
5 Benin 2013 Banikorara Kandi Alibori Alibori 560 300 260 120 300 110 10 10 10
6 Benin 2013 Banikorara Karimama Alibori Alibori 150 60 90 70 30 40 10 0 0
  • Commentaire : la première ligne indique les personnes nées dans la commune de Banikoara et qui y résident en 2013. Il s’agit donc a priori de populations “immobiles” même si on ne peut pas exclure qu’elles aient effectués des déplacements. La seconde ligne indique des personnes nées dans la commune de Gogounou qui résident dans la commune de Banikoara en 2013. Cela concerne 280 habitants qui se répartissent en 80 hommes et 200 femmes ou bien en 100 individus de 0-14 ans, 110 individus de 15-29 ans, 60 individus de 30-44 ans et 10 individus de 60-74 ans. Le fait que tous les nombres soient arrondis à la dizaine (finissent pas 0) s’explique par le fait que nous avons utilisé un échantillon du recensement à 10% et que nous avons multiplié par 10 les résultats.

Cartographie

Afin de pouvoir ultérieurment cartographier les résultats, nous avons ajusté les codes géographiques fournis par IPUMS à ceux des fonds de carte GADM. Pour chacun des pays nous pouvons donc représenter les résultats des analyses à deux niveaux administratifs différents.

Bénin

Burkina Faso

Mali

INDICATEURS GLOBAUX

Nous pouvons dans un premier temps produire un certain nombre d’indicateurs nationaux en vue de comparer les trois pays retenus.

Mobilité générale

Comme nous l’avons expliqué en introduction, la mobilité n’est pas directement mesurable à l’aide de notre source car on ignore les étapes du parcours migratoire. On peut néanmoins essayer de calculer combien de personnes résident dans le lieu où ils sont nés, sachant que ce lieu peut être mesuré à deux niveaux géographiques différents.

Mobilité par pays et niveau administratif
Pays mob n pct
Benin 0-Stable 7979390 79.0
Benin 1-Local 517100 5.1
Benin 2-Régional 1600440 15.9
Burkina Faso 0-Stable 11793300 87.7
Burkina Faso 1-Local 259400 1.9
Burkina Faso 2-Régional 1387130 10.3
Mali 0-Stable 10985140 75.7
Mali 1-Local 1762880 12.1
Mali 2-Régional 1770540 12.2
  • Dans le cas du Bénin en 2013, 79% des personnes résident dans leur commune de naissance 5% résident dans une autre commune du même département et 16% dans un autre département et donc une autre commune. La mobilité de la population sera donc de 16% au niveau départemental et de 21% au niveau communal.

  • Dans le cas du Burkina Faso en 2008, lamobilité semble un peu plus faible : 88% des personnes résident dans leur province de naissance,2% résident dans une autre province de la même région et 10% dans une autre région.

  • Le cas du Mali en 2009 76% des personnes résident dans leur cercle de naissance 12% résident dans un autre cercle du même département et 12% dans un autre département et donc une autre commune. La mobilité de la population sera donc de 12% au niveau départemental et de 24% au niveau des cercles

Mobilité par sexe et par âge

En se limitant aux mobilités inter-départementales ou inter-régionales, on peut examiner les différences par sexe ou par âge :

Warning: Setting row names on a tibble is deprecated.
Mobilité inter-régionale par sexe (%)
Benin Burkina Faso Mali
Hommes 15.6 10.2 12.5
Femmes 16.1 10.4 11.9
Ensemble 15.9 10.3 12.2
  • Commentaire : la mobilité des femmes est légèrement plus forte que celle des hommes au Burkina Faso et au Bénin, mais pas au Mali où c’est l’inverse.
Warning: Setting row names on a tibble is deprecated.
Mobilité inter-régionale par âge (%)
Benin Burkina Faso Mali
0-14 ans 9.2 4.1 6.0
15-29 ans 20.3 14.0 17.4
30-44 ans 24.8 18.7 18.6
45-59 ans 23.7 17.9 17.3
60-74 ans 17.0 15.1 13.9
75 ans et + 13.6 12.9 12.4
Ensemble 15.9 10.3 12.2
  • Commentaire : dans le cas d’une migration durée de vie on pourrait s’attendre à ce qu’elle augmente avec l’âge puisque plus on est vieux, plus on a eu l’occasion de s’éloigner de son lieu de naissance. Mais en fait la mobilité n’est pas seulement une question d’âge mais aussi de génération. Ce qui signifie que les opportunités de mobilité à l’âge de 20-40 ans n’auront pas forcément été les mêmes pour des personnes nées en 1920 (migration dans les années 1940-60) et des personnes nées en 1960 (migration dans les années 1980-2000). On constate dans les trois pays que la mobilité est la plus faible dans les âges extrêmes (jeunes de 0-14 ans et vieux de plus de 75 ans) tandis qu’elle est maximale dans la classe des 30-44 ans.

INDICATEURS LOCAUX

A la différence des indicateurs précédents, ils concernent non pas l’ensemble du pays mais chacune des unités spatiales. Nous allons les présenter en prenant l’exemple des 12 départements du Bénin :

Exemple du Bénin

On calcule pour chaque département les trois variables de stock suivantes :

  • STA : le nombre de personnes recensées dans un département qui y sont né
  • EMI : le nombre de personnes nées dans un département qui ont té recensées dans un autre
  • IMM : le nombre de personnes recensées dans un département qui sont nées dans un autre.

On en déduit trois autres variables de stock :

  • VOL = EMI+IMM : le volume de personnes qui sont nées ou résident dans un département.
  • SOL = IMM-EMI : le solde des arrivées et des départs d’un département parmi les survivants à la date du recensement
  • POMOY = STA + (EMI+IMM)/2 : Une estimation (très imparfaite) de la population moyenne du département entre la date du recensement et la date de naissance des personnes qui y résident.
Joining with `by = join_by(code)`
Joining with `by = join_by(code)`
Joining with `by = join_by(code)`
Dynamique migratoires par région (effectifs)
code nom STA EMI IMM VOL SOL POPMOY
BJ01 Alibori 820080 32940 20060 53000 -12880 846580
BJ02 Atakora 742290 78450 27380 105830 -51070 795205
BJ03 Atlantique 931830 93970 439840 533810 345870 1198735
BJ04 Borgou 1045930 56670 143800 200470 87130 1146165
BJ05 Collines 612220 96710 77430 174140 -19280 699290
BJ07 Donga 501240 56560 24480 81040 -32080 541760
BJ06 Kouffo 719190 81180 19060 100240 -62120 769310
BJ08 Littoral 399480 325200 211000 536200 -114200 667580
BJ09 Mono 442790 94200 40340 134540 -53860 510060
BJ10 Ouémé 918040 113160 149920 263080 36760 1049580
BJ11 Plateau 578250 53500 40600 94100 -12900 625300
BJ12 Zou 785150 169510 58140 227650 -111370 898975
  • Exemple de lecture : Lors du recensement de 2013 on trouve dans le département de Borgou (BJ004) 1045930 personnes qui y résident et y sont nés et 143800 qui y résident mais sont venues d’un autre département. On trouve dans les autres départements du Bénin 56670 personnes qui ont déclaré être nées dans le Borgou. On en déduit que le solde des échanges du Borgou avec les autres départements du Bénin est positif puisque le bilan des arrivées et des départs est égal à (143800-56670 = +81730). Quand au volume il mesure la part de ce département dans les échanges migratoires du pays que ce soit comme lieu de départ ou d’arrivée et se monte à (143800+56670 = 200470). La population du département ayant été modifiée par les arrivées ou les départs, on essaye d’en estimer la valeur moyenne au cours de la durée de vie des habitants en faisant la moyenne des résidents et des natifs.

A partir de ce tableau d’effectif, on peut calculer les taux suivants :

  • txEMI = 100 x EMI/POPMOY : taux d’émigration (en %)
  • txIMM = 100 x IMM/POPMOY : taux d’immigration (en %)
  • txMOB = 100 x VOL/POPMOY : taux de mobilité (en %)
  • txACM = 100 x SOL/POPMOY : taux d’ac. migratoire (en %)
  • txASY = SOL/VOL : indicateur d’asymétrie des flux (compris entre -1 et +1)
Dynamique migratoires par région (taux)
code nom POPMOY txEMI txIMM txMOB txACM txASY
BJ01 Alibori 846580 3.9 2.4 6.3 -1.5 -0.24
BJ02 Atakora 795205 9.9 3.4 13.3 -6.4 -0.48
BJ03 Atlantique 1198735 7.8 36.7 44.5 28.9 0.65
BJ04 Borgou 1146165 4.9 12.5 17.5 7.6 0.43
BJ05 Collines 699290 13.8 11.1 24.9 -2.8 -0.11
BJ07 Donga 541760 10.4 4.5 15.0 -5.9 -0.40
BJ06 Kouffo 769310 10.6 2.5 13.0 -8.1 -0.62
BJ08 Littoral 667580 48.7 31.6 80.3 -17.1 -0.21
BJ09 Mono 510060 18.5 7.9 26.4 -10.6 -0.40
BJ10 Ouémé 1049580 10.8 14.3 25.1 3.5 0.14
BJ11 Plateau 625300 8.6 6.5 15.0 -2.1 -0.14
BJ12 Zou 898975 18.9 6.5 25.3 -12.4 -0.49
  • Exemples de lecture : Le département du Littoral (où se trouve la capitale économique Cotonou) affiche le plus fort taux de mobilité (80.3%) et se caractérise à la fois par un fort taux d’émigration (48.7%) et un fort taux d’immigration (31.6%). Bien que son solde migratoire soit négatif (-17.1%) il s’agit d’une plaque tournante des échanges migratoires. Le département de Kouffo est caractérisé par une mobilité beaucoup plus faible (13%) et par une très forte différence entre les taux d’émigration (10.6%) et d’immigration (2.5%) ce qui aboutit à une forte asymétrie entre les arrivées et les départs (-0.62) associée à un solde négatif (-8.1%). Il s’agit donc d’un département répulsif. Le département de Borgou qui est la capitale du nord du pays se caractérise par une mobilité plus forte (17.5%) avec un taux d’immigration élevé (+12.5%) et un taux d’émigration faible (+4.9%) ce qui donne un solde positif (+7.6%) et une asymétrie favorable (+0.43). Enfin, l’Atlantique où se trouve la métropole d’Abomey-Calavi cumule les avantages puisque ce département attire à la fois des migrants de l’ensemble du pays mais aussi bénéficie du redéversement de la population de Cotonou où la densité d’occupation du sol aboutit à une saturation des possibilités de croissance.

Exemple du Burkina Faso

Joining with `by = join_by(code)`
Joining with `by = join_by(code)`
Joining with `by = join_by(code)`
Dynamique migratoires par région (effectifs)
code nom STA EMI IMM VOL SOL POPMOY
BF46 Boucle du Mouhoun 1282600 147970 106580 254550 -41390 1409875
BF47 Cascades 409400 29190 91720 120910 62530 469855
BF13 Centre 1090000 94960 492740 587700 397780 1383850
BF48 Centre-Est 1031750 78800 54580 133380 -24220 1098440
BF49 Centre-Nord 1144060 132890 45780 178670 -87110 1233395
BF50 Centre-Ouest 1026170 119140 92680 211820 -26460 1132080
BF51 Centre-Sud 568440 119830 46820 166650 -73010 651765
BF52 Est 1134760 39200 59240 98440 20040 1183980
BF53 Haut-Bassins 1140250 126970 249700 376670 122730 1328585
BF54 Nord 1105130 258590 35690 294280 -222900 1252270
BF55 Plateau-Central 631090 135660 46320 181980 -89340 722080
BF56 Sahel 934760 53970 22020 75990 -31950 972755
BF57 Sud-Ouest 554290 49960 43260 93220 -6700 600900
  • Commentaire :
Dynamique migratoires par région (taux)
code nom POPMOY txEMI txIMM txMOB txACM txASY
BF46 Boucle du Mouhoun 1409875 10.5 7.6 18.1 -2.9 -0.16
BF47 Cascades 469855 6.2 19.5 25.7 13.3 0.52
BF13 Centre 1383850 6.9 35.6 42.5 28.7 0.68
BF48 Centre-Est 1098440 7.2 5.0 12.1 -2.2 -0.18
BF49 Centre-Nord 1233395 10.8 3.7 14.5 -7.1 -0.49
BF50 Centre-Ouest 1132080 10.5 8.2 18.7 -2.3 -0.12
BF51 Centre-Sud 651765 18.4 7.2 25.6 -11.2 -0.44
BF52 Est 1183980 3.3 5.0 8.3 1.7 0.20
BF53 Haut-Bassins 1328585 9.6 18.8 28.4 9.2 0.33
BF54 Nord 1252270 20.6 2.9 23.5 -17.8 -0.76
BF55 Plateau-Central 722080 18.8 6.4 25.2 -12.4 -0.49
BF56 Sahel 972755 5.5 2.3 7.8 -3.3 -0.42
BF57 Sud-Ouest 600900 8.3 7.2 15.5 -1.1 -0.07
  • Commentaire :

Exemple du Mali

On calcule les mêmes tableaux que pour le Bénin sans les commenter :

Joining with `by = join_by(code)`
Joining with `by = join_by(code)`
Joining with `by = join_by(code)`
Dynamique migratoires par région (effectifs)
code nom STA EMI IMM VOL SOL POPMOY
ML01 Kayes 1865590 136530 89260 225790 -47270 1978485
ML02 Koulikoro 2073880 241140 284110 525250 42970 2336505
ML03 Sikasso 2403500 205190 148070 353260 -57120 2580130
ML04 Ségou 2170970 286650 117900 404550 -168750 2373245
ML05 Mopti 1944540 189380 64010 253390 -125370 2071235
ML06 Timbuktu 648360 72300 18650 90950 -53650 693835
ML07 Gao 461040 40250 14140 54390 -26110 488235
ML08 Kidal 59770 3450 5780 9230 2330 64385
ML09 Bamako 1069670 185410 616620 802030 431210 1470685
  • Commentaire :
Dynamique migratoires par région (taux)
code nom POPMOY txEMI txIMM txMOB txACM txASY
3 ML01 Kayes 1978485 6.9 4.5 11.4 -2.4 -0.21
5 ML02 Koulikoro 2336505 10.3 12.2 22.5 1.8 0.08
8 ML03 Sikasso 2580130 8.0 5.7 13.7 -2.2 -0.16
7 ML04 Ségou 2373245 12.1 5.0 17.0 -7.1 -0.42
6 ML05 Mopti 2071235 9.1 3.1 12.2 -6.1 -0.49
9 ML06 Timbuktu 693835 10.4 2.7 13.1 -7.7 -0.59
2 ML07 Gao 488235 8.2 2.9 11.1 -5.3 -0.48
4 ML08 Kidal 64385 5.4 9.0 14.3 3.6 0.25
1 ML09 Bamako 1470685 12.6 41.9 54.5 29.3 0.54
  • Commentaire :

MATRICES O-D

Au delà des indicateurs simples décrits dans la section précédente, on peut procéder à une analyse spatiale des déplacements en construisant des matrices origine-destination qui mesurent le flux de personnes entre leurs lieux de naissance et leurs lieux de résidence. Cela ouvre une vaste gamme de possibilités de traitements que nous allons illustrer par l’exemple du recensement de 2013 au Bénin mais que l’on pourra évidemment reproduire pour d’autres dates ou d’autres pays.

Exemple du Bénin

L’établissement de la matrice de flux est très facile. Elle suppose d’établir d’abord un tableau d’interactions au format “long”

Joining with `by = join_by(i)`
Joining with `by = join_by(j)`
Migrations durée de vie (format long)
i j name_i name_j Fij
BJ01 BJ01 Alibori Alibori 820080
BJ01 BJ02 Alibori Atakora 4720
BJ01 BJ03 Alibori Atlantique 2940
BJ01 BJ04 Alibori Borgou 17040
BJ01 BJ05 Alibori Collines 1950
BJ01 BJ06 Alibori Kouffo 100

On peut ensuite transformer le tableau d’interaction en format large en utilisant au choix la fonction dcast() (des packages reshape2 et data.table ) ou la procédure pivot_wider() du package tidyr qui fait partie de l’univers tidyverse.

Using Fij as value column: use value.var to override.
Migrations durée de vie (format large)
name_i Alibori Atakora Atlantique Borgou Collines Donga Kouffo Littoral Mono Ouémé Plateau Zou
Alibori 820080 4720 2940 17040 1950 1150 100 2090 370 1090 190 1300
Atakora 2180 742290 5970 45910 7950 8150 260 3310 650 1950 550 1570
Atlantique 500 1530 931830 3270 2380 690 1960 48760 7750 17840 2120 7170
Borgou 5460 6660 12060 1045930 7640 5380 920 9360 1080 4150 430 3530
Collines 2770 2880 31880 23950 612220 4000 1130 11400 1460 4600 1570 11070
Donga 1910 4640 5870 21390 8230 501240 180 10150 250 2670 450 820
Kouffo 320 630 31620 3670 5210 920 719190 10720 12380 5120 1490 9100
Littoral 4170 2580 203580 11210 5570 2250 2910 399480 10620 66160 4370 11780
Mono 410 620 48920 1990 1700 350 5390 22580 442790 7620 1220 3400
Ouémé 740 1310 27710 4820 1880 590 1360 47950 2460 918040 19650 4690
Plateau 380 370 6490 1170 1910 160 450 11700 830 26330 578250 3710
Zou 1220 1440 62800 9380 33010 840 4400 32980 2490 12390 8560 785150

On peut enfin transformer le tableau en un objet de type matrice ce qui suppose de transformer la variable name_i en nom des lignes :

Migrations durée de vie au Bénin en 2013 (matrice)
Alibori Atakora Atlantique Borgou Collines Donga Kouffo Littoral Mono Ouémé Plateau Zou Sum
Alibori 820080 4720 2940 17040 1950 1150 100 2090 370 1090 190 1300 853020
Atakora 2180 742290 5970 45910 7950 8150 260 3310 650 1950 550 1570 820740
Atlantique 500 1530 931830 3270 2380 690 1960 48760 7750 17840 2120 7170 1025800
Borgou 5460 6660 12060 1045930 7640 5380 920 9360 1080 4150 430 3530 1102600
Collines 2770 2880 31880 23950 612220 4000 1130 11400 1460 4600 1570 11070 708930
Donga 1910 4640 5870 21390 8230 501240 180 10150 250 2670 450 820 557800
Kouffo 320 630 31620 3670 5210 920 719190 10720 12380 5120 1490 9100 800370
Littoral 4170 2580 203580 11210 5570 2250 2910 399480 10620 66160 4370 11780 724680
Mono 410 620 48920 1990 1700 350 5390 22580 442790 7620 1220 3400 536990
Ouémé 740 1310 27710 4820 1880 590 1360 47950 2460 918040 19650 4690 1031200
Plateau 380 370 6490 1170 1910 160 450 11700 830 26330 578250 3710 631750
Zou 1220 1440 62800 9380 33010 840 4400 32980 2490 12390 8560 785150 954660
Sum 840140 769670 1371670 1189730 689650 525720 738250 610480 483130 1067960 618850 843290 9748540

L’intérêt du format matriciel est de faciliter des opérations mathématiques telles que le calcul de pourcentage en ligne ou le pourcentage en colonnes qui vont indiquer respectivement des probabilités de destination ou des probabilités d’origines.On va illustrer ces possibilités sur une matrice dont on a retiré la diagonale

Probabilité de destination des migrants durée de vie (en %)
Alibori Atakora Atlantique Borgou Collines Donga Kouffo Littoral Mono Ouémé Plateau Zou sum
Alibori 0.0 14.3 8.9 51.7 5.9 3.5 0.3 6.3 1.1 3.3 0.6 3.9 100
Atakora 2.8 0.0 7.6 58.5 10.1 10.4 0.3 4.2 0.8 2.5 0.7 2.0 100
Atlantique 0.5 1.6 0.0 3.5 2.5 0.7 2.1 51.9 8.2 19.0 2.3 7.6 100
Borgou 9.6 11.8 21.3 0.0 13.5 9.5 1.6 16.5 1.9 7.3 0.8 6.2 100
Collines 2.9 3.0 33.0 24.8 0.0 4.1 1.2 11.8 1.5 4.8 1.6 11.4 100
Donga 3.4 8.2 10.4 37.8 14.6 0.0 0.3 17.9 0.4 4.7 0.8 1.4 100
Kouffo 0.4 0.8 39.0 4.5 6.4 1.1 0.0 13.2 15.3 6.3 1.8 11.2 100
Littoral 1.3 0.8 62.6 3.4 1.7 0.7 0.9 0.0 3.3 20.3 1.3 3.6 100
Mono 0.4 0.7 51.9 2.1 1.8 0.4 5.7 24.0 0.0 8.1 1.3 3.6 100
Ouémé 0.7 1.2 24.5 4.3 1.7 0.5 1.2 42.4 2.2 0.0 17.4 4.1 100
Plateau 0.7 0.7 12.1 2.2 3.6 0.3 0.8 21.9 1.6 49.2 0.0 6.9 100
Zou 0.7 0.8 37.0 5.5 19.5 0.5 2.6 19.5 1.5 7.3 5.0 0.0 100
  • Commentaire : Si l’on prend l’exemple des personnes nées à Alibori qui résident dans un autre département en 2013, on constate que plus de la moitié d’entre elles (51.7%) on été recensés dans le département de Borgou, 14.3% dans le département voisin d’Atacora et seulement 8.9 % vers Cotonou (département de l’Atlantique). Inversement, les personnes nées dans le département du Mono qui résident dans un autre département en 2013 ont choisi majoritairement la capitale Cotonou (51.9%) et sa périphérie proche du département du Littoral (24.0%). On voit donc bien apparaître des clivages liés à la distance aux métropoles principales du pays qui polarisent chacune un espace migratoire distinct.

Procédons à l’opération inverse de calcul des origines mais en ne retirant pas cette fois-ci la diagonale afin de voir la part des populations autchtones

Département de naissance des individus (en %)
Alibori Atakora Atlantique Borgou Collines Donga Kouffo Littoral Mono Ouémé Plateau Zou
Alibori 97.6 0.6 0.2 1.4 0.3 0.2 0.0 0.3 0.1 0.1 0.0 0.2
Atakora 0.3 96.4 0.4 3.9 1.2 1.6 0.0 0.5 0.1 0.2 0.1 0.2
Atlantique 0.1 0.2 67.9 0.3 0.3 0.1 0.3 8.0 1.6 1.7 0.3 0.9
Borgou 0.6 0.9 0.9 87.9 1.1 1.0 0.1 1.5 0.2 0.4 0.1 0.4
Collines 0.3 0.4 2.3 2.0 88.8 0.8 0.2 1.9 0.3 0.4 0.3 1.3
Donga 0.2 0.6 0.4 1.8 1.2 95.3 0.0 1.7 0.1 0.3 0.1 0.1
Kouffo 0.0 0.1 2.3 0.3 0.8 0.2 97.4 1.8 2.6 0.5 0.2 1.1
Littoral 0.5 0.3 14.8 0.9 0.8 0.4 0.4 65.4 2.2 6.2 0.7 1.4
Mono 0.0 0.1 3.6 0.2 0.2 0.1 0.7 3.7 91.7 0.7 0.2 0.4
Ouémé 0.1 0.2 2.0 0.4 0.3 0.1 0.2 7.9 0.5 86.0 3.2 0.6
Plateau 0.0 0.0 0.5 0.1 0.3 0.0 0.1 1.9 0.2 2.5 93.4 0.4
Zou 0.1 0.2 4.6 0.8 4.8 0.2 0.6 5.4 0.5 1.2 1.4 93.1
sum 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0
  • Commentaire : La diagonale de cette matrice montre le degré de diversité des origines départementales des population qui résident dans chaque département en 2013. Les départements isolés et peu attractifs ont des taux très élevés de populations nées dans le même département, ce que l’on peut voir avec les départements d’Alibori (97.7%), de Couffo (97.4%) ou d’Atacora (96.4%). Inversement les départements métropolitains qui ont attiré des migrants de tous le pays affichent des taux plus faibles de populations nées dans le même département ce que l’on peut voir pour les départements de l’Atlantique (67.9%), du Littoral (65.4%), des Collines (88.8%) ou de Borgou (87.9%).

Exemple du Burkina Faso

Joining with `by = join_by(i)`
Joining with `by = join_by(j)`
Using Fij as value column: use value.var to override.
Migrations durée de vie (matrice)
Boucle du Mouhoun Cascades Centre Centre-Est Centre-Nord Centre-Ouest Centre-Sud Est Haut-Bassins Nord Plateau-Central Sahel Sud-Ouest Sum
Boucle du Mouhoun 1282600 16810 37900 1190 1240 7190 1080 1400 66110 6500 1060 1480 6010 1430570
Cascades 1480 409400 6530 760 310 820 320 570 14530 940 200 370 2360 438590
Centre 6060 4330 1090000 7750 5380 16160 10540 4570 17550 5920 10830 2230 3640 1184960
Centre-Est 740 950 37570 1031750 2220 2230 4400 14550 5310 950 7880 1320 680 1110550
Centre-Nord 3030 4310 29910 13380 1144060 12700 13710 17330 17720 1310 13160 4020 2310 1276950
Centre-Ouest 14480 3970 56180 1470 1840 1026170 3670 2160 21870 4780 3780 800 4140 1145310
Centre-Sud 1050 540 97980 3580 1090 7680 568440 940 3030 950 1680 600 710 688270
Est 570 590 15030 10880 2920 980 820 1134760 2000 870 1200 3020 320 1173960
Haut-Bassins 18710 27440 47540 1900 2840 5740 1680 2170 1140250 5620 1060 1560 10710 1267220
Nord 53240 20780 59970 1460 10060 21150 980 1320 71580 1105130 4030 5210 8810 1363720
Plateau-Central 2050 1150 79220 10140 5060 13720 8260 4550 5830 2490 631090 810 2380 766750
Sahel 2780 2380 10700 1550 12260 1610 790 9100 6200 4430 980 934760 1190 988730
Sud-Ouest 2390 8470 14210 520 560 2700 570 580 17970 930 460 600 554290 604250
Sum 1389180 501120 1582740 1086330 1189840 1118850 615260 1194000 1389950 1140820 677410 956780 597550 13439830
  • Commentaire :
Probabilité de destination des migrants durée de vie (en %)
Boucle du Mouhoun Cascades Centre Centre-Est Centre-Nord Centre-Ouest Centre-Sud Est Haut-Bassins Nord Plateau-Central Sahel Sud-Ouest sum
Boucle du Mouhoun 0.0 11.4 25.6 0.8 0.8 4.9 0.7 0.9 44.7 4.4 0.7 1.0 4.1 100
Cascades 5.1 0.0 22.4 2.6 1.1 2.8 1.1 2.0 49.8 3.2 0.7 1.3 8.1 100
Centre 6.4 4.6 0.0 8.2 5.7 17.0 11.1 4.8 18.5 6.2 11.4 2.3 3.8 100
Centre-Est 0.9 1.2 47.7 0.0 2.8 2.8 5.6 18.5 6.7 1.2 10.0 1.7 0.9 100
Centre-Nord 2.3 3.2 22.5 10.1 0.0 9.6 10.3 13.0 13.3 1.0 9.9 3.0 1.7 100
Centre-Ouest 12.2 3.3 47.2 1.2 1.5 0.0 3.1 1.8 18.4 4.0 3.2 0.7 3.5 100
Centre-Sud 0.9 0.5 81.8 3.0 0.9 6.4 0.0 0.8 2.5 0.8 1.4 0.5 0.6 100
Est 1.5 1.5 38.3 27.8 7.4 2.5 2.1 0.0 5.1 2.2 3.1 7.7 0.8 100
Haut-Bassins 14.7 21.6 37.4 1.5 2.2 4.5 1.3 1.7 0.0 4.4 0.8 1.2 8.4 100
Nord 20.6 8.0 23.2 0.6 3.9 8.2 0.4 0.5 27.7 0.0 1.6 2.0 3.4 100
Plateau-Central 1.5 0.8 58.4 7.5 3.7 10.1 6.1 3.4 4.3 1.8 0.0 0.6 1.8 100
Sahel 5.2 4.4 19.8 2.9 22.7 3.0 1.5 16.9 11.5 8.2 1.8 0.0 2.2 100
Sud-Ouest 4.8 17.0 28.4 1.0 1.1 5.4 1.1 1.2 36.0 1.9 0.9 1.2 0.0 100
  • Commentaire :
Département de naissance des individus (en %)
Boucle du Mouhoun Cascades Centre Centre-Est Centre-Nord Centre-Ouest Centre-Sud Est Haut-Bassins Nord Plateau-Central Sahel Sud-Ouest
Boucle du Mouhoun 92.3 3.4 2.4 0.1 0.1 0.6 0.2 0.1 4.8 0.6 0.2 0.2 1.0
Cascades 0.1 81.7 0.4 0.1 0.0 0.1 0.1 0.0 1.0 0.1 0.0 0.0 0.4
Centre 0.4 0.9 68.9 0.7 0.5 1.4 1.7 0.4 1.3 0.5 1.6 0.2 0.6
Centre-Est 0.1 0.2 2.4 95.0 0.2 0.2 0.7 1.2 0.4 0.1 1.2 0.1 0.1
Centre-Nord 0.2 0.9 1.9 1.2 96.2 1.1 2.2 1.5 1.3 0.1 1.9 0.4 0.4
Centre-Ouest 1.0 0.8 3.5 0.1 0.2 91.7 0.6 0.2 1.6 0.4 0.6 0.1 0.7
Centre-Sud 0.1 0.1 6.2 0.3 0.1 0.7 92.4 0.1 0.2 0.1 0.2 0.1 0.1
Est 0.0 0.1 0.9 1.0 0.2 0.1 0.1 95.0 0.1 0.1 0.2 0.3 0.1
Haut-Bassins 1.3 5.5 3.0 0.2 0.2 0.5 0.3 0.2 82.0 0.5 0.2 0.2 1.8
Nord 3.8 4.1 3.8 0.1 0.8 1.9 0.2 0.1 5.1 96.9 0.6 0.5 1.5
Plateau-Central 0.1 0.2 5.0 0.9 0.4 1.2 1.3 0.4 0.4 0.2 93.2 0.1 0.4
Sahel 0.2 0.5 0.7 0.1 1.0 0.1 0.1 0.8 0.4 0.4 0.1 97.7 0.2
Sud-Ouest 0.2 1.7 0.9 0.0 0.0 0.2 0.1 0.0 1.3 0.1 0.1 0.1 92.8
sum 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0
  • Commentaire :

Exemple du Mali

Joining with `by = join_by(i)`
Joining with `by = join_by(j)`
Using Fij as value column: use value.var to override.
Migrations durée de vie (matrice)
Bamako Gao Kayes Kidal Koulikoro Mopti Ségou Sikasso Timbuktu NA Sum
Bamako 1069670 1660 22020 500 111690 9350 17600 19740 2750 100 1255080
Gao 14720 461040 1350 2000 5230 4610 4950 3760 2720 910 501290
Kayes 86940 400 1865590 180 29450 2000 8050 8930 550 30 2002120
Kidal 770 550 250 59770 470 270 520 370 80 170 63220
Koulikoro 157280 550 32960 300 2073880 3900 14680 30500 900 70 2315020
Mopti 80020 1300 6760 590 31380 1944540 33030 28580 7680 40 2133920
Ségou 144180 6490 13920 330 56520 10510 2170970 51970 2610 120 2457620
Sikasso 109560 870 10770 350 40120 18570 23470 2403500 1360 120 2608690
Timbuktu 23150 2320 1230 1530 9250 14800 15600 4220 648360 200 720660
Sum 1686290 475180 1954850 65550 2357990 2008550 2288870 2551570 667010 1760 14057620
  • Commentaire :
Probabilité de destination des migrants durée de vie (en %)
Bamako Gao Kayes Kidal Koulikoro Mopti Ségou Sikasso Timbuktu NA sum
Bamako 0.0 0.9 11.9 0.3 60.2 5.0 9.5 10.6 1.5 0.1 100
Gao 36.6 0.0 3.4 5.0 13.0 11.5 12.3 9.3 6.8 2.3 100
Kayes 63.7 0.3 0.0 0.1 21.6 1.5 5.9 6.5 0.4 0.0 100
Kidal 22.3 15.9 7.2 0.0 13.6 7.8 15.1 10.7 2.3 4.9 100
Koulikoro 65.2 0.2 13.7 0.1 0.0 1.6 6.1 12.6 0.4 0.0 100
Mopti 42.3 0.7 3.6 0.3 16.6 0.0 17.4 15.1 4.1 0.0 100
Ségou 50.3 2.3 4.9 0.1 19.7 3.7 0.0 18.1 0.9 0.0 100
Sikasso 53.4 0.4 5.2 0.2 19.6 9.1 11.4 0.0 0.7 0.1 100
Timbuktu 32.0 3.2 1.7 2.1 12.8 20.5 21.6 5.8 0.0 0.3 100
  • Commentaire :
Département de naissance des individus (en %)
Bamako Gao Kayes Kidal Koulikoro Mopti Ségou Sikasso Timbuktu NA
Bamako 63.4 0.3 1.1 0.8 4.7 0.5 0.8 0.8 0.4 5.7
Gao 0.9 97.0 0.1 3.1 0.2 0.2 0.2 0.1 0.4 51.7
Kayes 5.2 0.1 95.4 0.3 1.2 0.1 0.4 0.3 0.1 1.7
Kidal 0.0 0.1 0.0 91.2 0.0 0.0 0.0 0.0 0.0 9.7
Koulikoro 9.3 0.1 1.7 0.5 88.0 0.2 0.6 1.2 0.1 4.0
Mopti 4.7 0.3 0.3 0.9 1.3 96.8 1.4 1.1 1.2 2.3
Ségou 8.6 1.4 0.7 0.5 2.4 0.5 94.8 2.0 0.4 6.8
Sikasso 6.5 0.2 0.6 0.5 1.7 0.9 1.0 94.2 0.2 6.8
Timbuktu 1.4 0.5 0.1 2.3 0.4 0.7 0.7 0.2 97.2 11.4
sum 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0
  • Commentaire :